Вестник Кольского научного центра РАН № 1, 2025 г.

нейронную сеть для бинарной классификации скейлограмм, полученных после применения непрерывного вейвлет-преобразования (НВП) к токам нейтрали. Выбор именно СНС обоснован тем, что этот алгоритм глубокого обучения явля­ ется наиболее популярным, в том числе и для ре­ шения задач классификации изображений [Khan et al., 2020; Rawat & Wang, 2017; Wang et al., 2020]. Классификация представляет собой концепцию, которая распределяет набор данных, в нашем случае изображения, по классам. Сверточные нейронные сети представляют собой класс ал­ горитмов обучения с прямой связью. Они пред­ назначены для автоматического и адаптивного изучения пространственных иерархий призна­ ков, от второстепенных признаков к глобаль­ ным. Эта особенность улучшает обобщающую способность таких нейронных сетей и делает их идеальными для классификации изображений. Структура типичной СНС состоит из трех ти­ пов слоев: сверточного слоя, подвыборочного слоя и полносвязного слоя. Помимо перечис­ ленных выше основных слоев СНС, в ее состав могут входить такие слои, как нелинейный слой, слой классификации, слой дропаута и слой пре­ добработки. Очень часто сверточный и нели­ нейный слой объединяют в один. В СНС чаще всего используются следующие типы функций активации: сигмоида (sigmoid), гиперболический тангенс (tanh), усеченное линейное преобразова­ ние (ReLU), усеченное линейное преобразование с отрицательным уклоном (leaky ReLU) и усечен­ ное линейное преобразование с распределени­ ем Гаусса (noisy ReLU) [Alzubaidi et al., 2021]. Вэтом исследовании в качестве функции активации выбрана ReLU [Hahnioser et al., 2000]. Существует несколько типов методов подвыборки (пулинга). Эти методы включают в себя средний пулинг, минимальный пулинг, максимальный пулинг, разветвленный пулинг, закрытый пулинг и гло­ бальный средний пулинг [Lee et al., 2015]. Вэтом исследовании применяется максимальный пу­ линг, так как он обеспечивает уникальные ха­ рактеристики производительности. Итоговая классификация выполняется на последнем слое, который представляет собой выходной слой СНС. Для расчета ошибки предсказания класса в выходном слое применяются функции потерь, значение которой показывает разницу между истинным и прогнозируемым результа­ том. В предложенной СНС применяется функция потерь бинарной перекрестной энтропии. Одной из проблем, с которой сталкиваются при обучении нейронных сетей на малых набо­ рах данных, является переобучение [Hinton et al., 2012]. Переобучение представляет собой явле­ ние, когда модель хорошо работает на трениро­ вочных данных, но показывает низкую эффек­ тивность на тестовых. Таким образом, низкая обобщающая способность модели на новых, ранее не использовавшихся примерах делает ее бесполезной. Для того, чтобы предотвратить переобучение, часто применяется метод регуля­ ризации нейронных сетей, получивший название «метод исключения», или дропаут [Srivastava et al., 2014]. Дропаут слой располагается перед слоем, к которому мы хотим применить «исключение». Слои предобработки используются на ранних этапах работы СНС и включают в себя аугмента­ цию данных. Аугментация данных представляет собой набор методов, применяемых для ис­ кусственного увеличения размера обучающе­ го набора данных [Shorten&Khoshgoftaar, 2019]. Эта техника часто применяется на небольших наборах данных, так как позволяет избежать переобучения и повысить производительность модели. Суть этого метода заключается в вы­ полнении случайных (но реалистичных) преоб­ разований имеющихся изображений для созда­ ния набора новых вариантов без изменения их природы. Типичными методами для аугмента­ ции данных при классификации изображений являются кадрирование, отражение, сдвиг, вра­ щение, масштабирование и регулировка кон­ траста. Слои предобработки активны только во время обучения модели. НВП является широко распространенным ме­ тодом спектрального анализа нестационарных сигналов, в частности ГИТ [Adhikari et al., 2019; Ak- senovich et al., 2023; Falayi et al., 2017; Xu et al., 2022]. В случае интеллектуальной диагностики неис­ правностей энергетических систем, НВП часто применяется как метод извлечения признаков из различных сигналов трансформатора, таких как вибрации, токи и напряжения [Li et al., 2023; Salles & Ribeiro, 2023; Wang et al., 2020]. НВП позво­ 17 Т. В. Аксенович rio.ksc.ru/zhurnaly/vestnik